基于多特征融合的遙感影像變化檢測(cè)算法

王光輝， 李建磊， 王華斌， 楊化超

(1.國(guó)家測(cè)繪地理信息局衛(wèi)星測(cè)繪應(yīng)用中心，北京 100830； 2.中國(guó)礦業(yè)大學(xué)(徐州)，徐州 221116)

0 引言

隨著空間信息技術(shù)的飛速發(fā)展，遙感影像的空間分辨率、光譜分辨率和時(shí)間分辨率不斷提高，其獲取的地表信息更加豐富，應(yīng)用領(lǐng)域越來(lái)越廣。如何利用高空間分辨率遙感圖像豐富的地物細(xì)節(jié)信息，并抑制成像條件與自然條件帶來(lái)的信息干擾，是目前遙感影像變化檢測(cè)研究中倍受關(guān)注的問(wèn)題。傳統(tǒng)的單像素、單一特征的變化檢測(cè)算法已經(jīng)不能滿足變化目標(biāo)檢測(cè)的準(zhǔn)確性和完整性[1]，面向?qū)ο蠖嗵卣魅诤系淖兓瘷z測(cè)算法[2-3]已成為高空間分辨率遙感變化檢測(cè)研究領(lǐng)域的熱點(diǎn)。

由影像派生的多特征是變化檢測(cè)信息的載體，主要包括光譜、邊緣和紋理等特征。利用影像對(duì)象特征進(jìn)行多時(shí)相變化檢測(cè)時(shí)傳統(tǒng)的變化檢測(cè)算法選用單一特征，如Bovolo等[4]采用像斑均值信息進(jìn)行變化檢測(cè)； 莊會(huì)富等[5]提出基于紋理特征的影像變化檢測(cè)算法，通過(guò)多方向、多個(gè)紋理特征構(gòu)建差異影像提高了變化檢測(cè)的精度； 李松等[6]提出結(jié)合紋理分析與比率變換的變化檢測(cè)算法，通過(guò)分析紋理特征，統(tǒng)計(jì)紋理的指標(biāo)，有效地識(shí)別出滑坡災(zāi)害信息； 鐘家強(qiáng)等[7]提出線特征變化檢測(cè)算法，通過(guò)提取影像的邊緣梯度信息、壓縮、擬合等處理，獲得變化檢測(cè)結(jié)果，避免了線匹配的復(fù)雜過(guò)程，具有較強(qiáng)的實(shí)用性。雖然以上的算法都從不同的角度驗(yàn)證特征的有效性和可用性，但單一特征模型的適用性和精度并不理想。劉臻等[8]利用梯度和紋理相似度進(jìn)行變化檢測(cè)； 李亮等[9]將光譜信息與紋理信息結(jié)合提出多特征融合的變化檢測(cè)算法； 魏立飛等[10]提出應(yīng)用多特征流行嵌入模型，充分綜合多特征的信息，獲得了完整的變化信息。但上述多特征融合方法多采用光譜與紋理的特征，未能考慮顏色的空間分布信息以及影像的邊緣特征。

鑒于上述情況，本文通過(guò)研究不同特征的特點(diǎn)，提出多特征自適應(yīng)融合的變化檢測(cè)方法，以影像對(duì)象的顏色直方圖為依據(jù)，通過(guò)統(tǒng)計(jì)顏色直方圖、邊緣直線梯度直方圖的最大概率差別自適應(yīng)確定權(quán)值，實(shí)現(xiàn)顏色特征與邊緣直線特征的自適應(yīng)加權(quán)組合，為下一步變化強(qiáng)度閾值的選取做準(zhǔn)備。

1 基于多特征融合的變化檢測(cè)

為了充分利用遙感圖像的顏色空間分布信息以及邊緣直線梯度特征，本文提出一種基于面向?qū)ο笏枷氲亩嗵卣魅诤献兓瘷z測(cè)方法。首先，運(yùn)用多尺度分割算法(multi-solution segmentation)獲得影像對(duì)象，并統(tǒng)計(jì)影像對(duì)象的顏色直方圖和邊緣直線梯度直方圖信息； 然后，利用推土機(jī)距離(earth mover’s distance， EMD)計(jì)算不同時(shí)相影像對(duì)象之間的顏色距離和邊緣直線距離，并自適應(yīng)加權(quán)顏色距離和邊緣直線距離，獲得對(duì)象的異質(zhì)性，對(duì)象的異質(zhì)性越接近于0變化可能性越低，遠(yuǎn)離0則變化可能性越高； 最后，基于以上理論采用直方圖曲率分析獲得像斑的變化檢測(cè)結(jié)果。

具體變化檢測(cè)流程見(jiàn)圖1。

圖1 變化檢測(cè)流程

1.1 多尺度影像分割

影像分割是面向?qū)ο笥跋穹治龅幕A(chǔ)，其結(jié)果將對(duì)后續(xù)的分析產(chǎn)生重要的影響[11]。本文選用多尺度分割算法[12]，通過(guò)計(jì)算各波段的形狀與光譜異質(zhì)性的特征值，根據(jù)各個(gè)波段信息自適應(yīng)確定權(quán)重，進(jìn)行迭代運(yùn)算，直到影像對(duì)象的形狀和光譜的綜合加權(quán)值大于給定的閾值時(shí)停止迭代，完成影像的多尺度分割。對(duì)于任意波段的影像i，其異質(zhì)性fi為

fi=ωihcolor+(1-ωi)hshope,

(1)

hshope=(1-ωsm)hcm+ωsmhsm,

(2)

式中：ωi為第i波段光譜異質(zhì)性hcolor的權(quán)重；hshope為形狀異質(zhì)性，通過(guò)形狀平滑度的權(quán)重ωsm、形狀平滑度hsm和形狀緊湊度hcm確定。

1.2 顏色和邊緣直線特征提取

直方圖是一種空間統(tǒng)計(jì)特征，顏色和邊緣直線梯度直方圖能較好地表達(dá)對(duì)象的空間特征分布情況，為下一步計(jì)算前后2期差異提供依據(jù)。本文采用影像對(duì)象的顏色直方圖和邊緣直線梯度直方圖來(lái)描述不同時(shí)相影像對(duì)象的光譜特征和空間特征。

1.2.1 顏色特征提取

顏色作為影像上一種直觀顯著的重要視覺(jué)特征，對(duì)影像的形態(tài)、大小、方向和視角依賴(lài)較小。竇建軍等[13]曾將全局顏色直方圖應(yīng)用于圖像檢索領(lǐng)域。常用的RGB模型都存在以下不足： ①不符合人對(duì)顏色的感知心理； ②在顏色感知上存在較小差異的2個(gè)點(diǎn)，難以在非均勻分布的RGB顏色空間中以2個(gè)點(diǎn)來(lái)表示。HSV顏色空間是面向視覺(jué)感知的模型，符合人眼感知的色調(diào)、亮度和飽合度3要素，能更好地模擬人工變化檢測(cè)的過(guò)程，因此能更好地用于提取顏色特征。顏色直方圖的提取主要包括2步： ①RGB模型與HSV模型轉(zhuǎn)換； ②HSV的量化。

首先，RGB模型轉(zhuǎn)換成HSV模型，具體公式為

(3)

(4)

(5)

(6)

式中：R，G和B分別為紅光、綠光和藍(lán)光波段影像。經(jīng)過(guò)HSV顏色變換，影像上的每一個(gè)像素點(diǎn)都可以用H，S和V來(lái)表示； 然后，依據(jù)人眼對(duì)顏色感知的特性，對(duì)HSV 3分量均勻量化，將H，S和V分別空間量化為8，5和5份； 最后，統(tǒng)計(jì)獲得影像對(duì)象的顏色直方圖。

1.2.2 邊緣直線特征提取

高空間分辨率遙感圖像紋理比較豐富，采用canny，soble和lapace等算子可以直接提取低矮建筑物區(qū)的邊緣，但邊緣比較瑣碎，難以表達(dá)影像對(duì)象的特征。本文采用line segment detector算子[14]檢測(cè)遙感圖像中幾何形狀明顯的目標(biāo)。由于直線區(qū)域的灰度通常是不連續(xù)的，直線上每一像素對(duì)應(yīng)一個(gè)梯度方向，基于直線像素點(diǎn)的梯度方向建立的直方圖能夠表示影像對(duì)象的形狀特征，對(duì)于發(fā)生變化的對(duì)象能很好地反映前后2期的差異。對(duì)于影像上點(diǎn)(x,y)處f(x,y)的梯度定義為

(7)

梯度是一個(gè)矢量，其大小和方向?yàn)?/p>

(8)

θ(x,y)=arctan (Gy/Gx) ,

(9)

式中θ(x,y)為f(x,y)在該點(diǎn)的灰度變化最大的方向。根據(jù)直線像素點(diǎn)方向統(tǒng)計(jì)直線梯度方向直方圖H(i)。直線梯度直方圖表征影像對(duì)象直線取向的分布特征，不同時(shí)相變化的影像對(duì)象具有不同的直線分布。

1.3 直方圖距離

(10)

1.4 相似性自適應(yīng)組合

顏色特征與邊緣直線特征的組合是實(shí)現(xiàn)多特征融合的關(guān)鍵之一，常用方法為加權(quán)組合。設(shè)DHSVEMD和DLINEEMD分別為顏色相似度和邊緣直線相似度，ωhsv和ωline分別為對(duì)應(yīng)的權(quán)重，則顏色和邊緣直線的加權(quán)組合為

DIS=ωhsvDHSVEMD+ωlineDLINEEMD。

(11)

其中ωhsv和ωline的確定成為特征融合的關(guān)鍵問(wèn)題。顏色和邊緣直線權(quán)重的確定主要依賴(lài)如下準(zhǔn)則： 在顏色主導(dǎo)的區(qū)域，顏色的權(quán)重較大，否則邊緣直線權(quán)重較大。針對(duì)遙感影像分割中光譜和紋理特征，許多研究者提出了自動(dòng)加權(quán)方法[9-16]，然而由于權(quán)重的確定過(guò)于復(fù)雜，方法難以推廣。

為此，本文提出一種自適應(yīng)的權(quán)重確定方法。根據(jù)統(tǒng)計(jì)計(jì)算前后2期對(duì)象的顏色直方圖和直線梯度直方圖動(dòng)態(tài)調(diào)整顏色和邊緣直線特征的權(quán)重。首先，計(jì)算前后2期對(duì)象的顏色直方圖和直線梯度直方圖； 然后，以直方圖所表達(dá)的信息動(dòng)態(tài)調(diào)整權(quán)重。對(duì)于顏色比較單一的區(qū)域，顏色值會(huì)比較集中分布在某幾個(gè)值附近，使得直方圖中最大概率的值比較大； 對(duì)于邊緣直線特征比較明顯的對(duì)象，邊緣直線梯度直方圖差別就比較大。如圖2所示，圖2(a)中2個(gè)方框區(qū)域2013年為植被區(qū)域，圖2(b)中2015年已被建設(shè)成道路。圖2(c)和(d)分別為2013年和2015年的顏色直方圖和邊緣直線梯度直方圖，可以看出2個(gè)區(qū)域2 a間的直線梯度直方圖相接近，但是顏色直方圖存在較大的差異。

(a)2013年 (b) 2015年 (c) 顏色直方圖 (d) 直線梯度直方圖

圖2顏色主導(dǎo)區(qū)域

Fig.2Areaofcolordominate

圖3(a)中2個(gè)方框區(qū)域2013年為裸地區(qū)域，2015年該區(qū)域已建為建筑物(圖3(b))。圖3(c)和圖3(d)分別為2013年和2015年的顏色直方圖和邊緣直線梯度直方圖，可以看出2個(gè)區(qū)域2 a間的顏色直方圖相接近，但是直線梯度直方圖存在較大的差異。

(a) 2013年 (b) 2015年 (c) 顏色直方圖 (d) 直線梯度直方圖

圖3邊緣直線主導(dǎo)區(qū)域

Fig.3Areaofedgelinedominate

通過(guò)以上分析，當(dāng)前后2期的顏色差別較大時(shí)，顏色直方圖的最大概率差別也較大； 當(dāng)前后2期的邊緣直線特征差別比較大時(shí)，直線梯度直方圖的最大概率差別也就較大。據(jù)此，根據(jù)顏色直方圖和直線梯度直方圖的差別情況自適應(yīng)地設(shè)置顏色與邊緣直線權(quán)重，即

k1=abs[max(hsvt1)-max(hsvt2)] ,

(12)

k2=abs[max(linet1)-max(linet2)] ,

(13)

式中max(hsv)和max(line)分別為顏色直方圖和直線梯度直方圖的最大概率值。

顏色直方圖的最大概率值一定程度上反映了顏色信息。因此當(dāng)顏色信息占主導(dǎo)時(shí)，顏色權(quán)重應(yīng)適當(dāng)增大，反之顏色權(quán)重應(yīng)適當(dāng)減小。顏色權(quán)重的表達(dá)式為

(14)

1.5 直方圖曲率分析

令所有對(duì)象異質(zhì)性值的集合為D={D1，D2，…，Dn}，異質(zhì)性值接近0，表示圖像變化可能性越小； 越遠(yuǎn)離0值地區(qū)，則變化的可能性越大。影像上大部分是沒(méi)有發(fā)生變化的，則異質(zhì)性直方圖是逐漸遞減的一種形態(tài)。本文采用異質(zhì)性直方圖曲率分析(histogram curvature analysis，HCA)方法確定變化檢測(cè)閾值，該方法自適應(yīng)能力較強(qiáng)。

影像對(duì)象的異質(zhì)性值呈現(xiàn)出單側(cè)正態(tài)分布趨勢(shì)，且對(duì)象中變化區(qū)域和非變化區(qū)域的異質(zhì)性往往會(huì)有很明顯的差異，通過(guò)分析直方圖的曲率可以確定變化檢測(cè)的閾值。依據(jù)微積分基本原理，曲率值越小表示曲線的彎曲程度比較緩，曲線發(fā)生突變的可能性就越??； 而對(duì)于離散數(shù)據(jù)其曲率值k可近似表達(dá)為

(15)

式中f(i)為第i個(gè)位置對(duì)應(yīng)的頻率值。取k最大值對(duì)應(yīng)的i作為變化檢測(cè)的最優(yōu)閾值，實(shí)現(xiàn)最終變化區(qū)域的提取。

2 結(jié)果與討論

2.1 實(shí)驗(yàn)數(shù)據(jù)

實(shí)驗(yàn)數(shù)據(jù)采用蘇州市某城區(qū)的2013年和2015年資源三號(hào)衛(wèi)星遙感影像，尺寸大小為1 800像素×1 420像素，空間分辨率為2.1 m，由藍(lán)光、綠光、紅光和近紅外4個(gè)波段組成； 影像已經(jīng)經(jīng)過(guò)影像配準(zhǔn)和直方圖匹配等預(yù)處理。實(shí)驗(yàn)數(shù)據(jù)如圖4所示。

(a) 2013年 (b) 2015年

圖4蘇州市某城區(qū)影像

Fig.4SuzhouCityimages

2.2 實(shí)驗(yàn)分析

實(shí)驗(yàn)采用多尺度分割算法對(duì)配準(zhǔn)和直方圖匹配后的多時(shí)相遙感影像進(jìn)行分割，獲得具備光譜和形狀同質(zhì)性的對(duì)象。最優(yōu)分割尺度根據(jù)經(jīng)驗(yàn)和知識(shí)確定； 形狀因子參與形狀一致度的權(quán)重，最優(yōu)的形狀因子能夠得到合理邊界的影像對(duì)象； 緊致度表示影像對(duì)象的規(guī)則程度，緊致度過(guò)大則分割后影像地物不唯一，出現(xiàn)不純凈的對(duì)象。最終確定分割參數(shù)分別為： ①分割尺度為100、形狀因子為0.45、緊致度為0.5； ②分割尺度為80、形狀因子為0.5、緊致度為0.64。然后將前后2個(gè)時(shí)期的分割結(jié)果進(jìn)行疊加生成最終的矢量文件如圖5(a)所示。圖5(b)為標(biāo)準(zhǔn)變化檢測(cè)結(jié)果，其中黑色表示未變化區(qū)域，白色表示變化區(qū)域。為了驗(yàn)證多特征融合算法的有效性，將單一特征、固定權(quán)重算法同本文算法進(jìn)行了比較，檢測(cè)結(jié)果如圖6所示。圖6中橢圓為虛檢區(qū)域，矩形為漏檢區(qū)域。6種變化檢測(cè)結(jié)果的精度評(píng)定如表1所示。

(a) 分割結(jié)果 (b) 標(biāo)準(zhǔn)變化檢測(cè)結(jié)果

圖5分割結(jié)果及標(biāo)準(zhǔn)檢測(cè)結(jié)果

Fig.5Segmentationandstandarddetectionresults

(a)ωhsv=1，ωline=0 (b)ωhsv=0.7，ωline=0.3 (c)ωhsv=0.5，ωline=0.5

(d)ωhsv=0.3，ωline=0.7 (e)ωhsv=0，ωline=1(f) 本文檢測(cè)結(jié)果

圖6 不同權(quán)重變化檢測(cè)結(jié)果Fig.6 Different weight results of change detection表1 不同權(quán)重變化檢測(cè)結(jié)果精度比較Tab.1 Accuracy comparison by methods with different weights

分析圖6可以得出如下結(jié)論： 圖5(a)僅利用顏色特征進(jìn)行變化檢測(cè)，存在較多的虛檢和一定的漏檢。圖5(e)僅利用邊緣直線特征進(jìn)行變化檢測(cè)，漏檢現(xiàn)象比較嚴(yán)重。利用顏色特征與邊緣直線特征加權(quán)進(jìn)行變化檢測(cè)，當(dāng)顏色權(quán)重為0.7時(shí)，雖然部分圖5(b)中虛檢部分被標(biāo)記為未變化，但仍存在一定的漏檢現(xiàn)象； 當(dāng)顏色權(quán)重與邊緣直線權(quán)重都為0.5時(shí)，圖5(c)也存在較多的漏檢和虛檢； 當(dāng)顏色權(quán)重為0.3時(shí)，與圖5(b)和(c)相比虛檢有所下降，但是漏檢增加； 利用本文算法進(jìn)行變化檢測(cè)，圖5(f)變化區(qū)域的識(shí)別仍然存在虛檢和漏檢，但虛檢率和漏檢率比固定權(quán)重有所降低。

文獻(xiàn)[9]與文獻(xiàn) [16]都采用了光譜特征與紋理特征融合，依據(jù)像斑灰度的標(biāo)準(zhǔn)差自適應(yīng)確定閾值，其精度與本文精度的對(duì)比如表2所示。由于不同時(shí)期遙感影像存在太陽(yáng)高度角、光照條件和季節(jié)等因素不同程度的影響，使得不同地物在影像上具有不同的灰度值，而紋理特征僅反映地物結(jié)構(gòu)信息，無(wú)法作為區(qū)分不同地物的主要依據(jù)，故實(shí)驗(yàn)結(jié)果表明，本文采用光譜特征與幾何特征的變化檢測(cè)精度最高。

表2 不同變化檢測(cè)算法精度比較Tab.2 Accuracy comparison of different methodsof change detection

3 結(jié)論

基于面向?qū)ο蟮姆治鏊枷?，本文提出了一種多特征融合的遙感影像變化檢測(cè)算法。實(shí)現(xiàn)了顏色特征與邊緣直線特征的自適應(yīng)加權(quán)組合，為融合HSV顏色直方圖與邊緣直線梯度直方圖進(jìn)行變化檢測(cè)提供了一種思路。采用直方圖曲率分析獲得像斑的變化檢測(cè)結(jié)果，實(shí)現(xiàn)了變化檢測(cè)最優(yōu)閾值的自動(dòng)確定。實(shí)驗(yàn)結(jié)果表明，該方法依據(jù)像斑的光譜信息，充分、有效地挖掘和融合了影像多特征的檢測(cè)優(yōu)勢(shì)，降低了虛檢率和漏檢率，提高了變化檢測(cè)的正確率。為了進(jìn)一步提高變化檢測(cè)的精度，后繼研究將在本文基礎(chǔ)上，引入紋理和形狀等特征信息。

參考文獻(xiàn)(References)：

[1] 魏立飛,鐘燕飛,張良培,等.遙感影像融合的自適應(yīng)變化檢測(cè)(英文)[J].遙感學(xué)報(bào),2010,14(6):1196-1211.

Wei L F,Zhong Y F,Zhang L P,et al.Adaptive change method of remote sensing image fusion[J].Journal of Remote Sensing,2010,14(6):1196-1211.

[2] Gong J Y,Sui H G,Sun K M,et al.Object-level change detection based on full-scale image segmentation and its application to Wenchuan Earthquake[J].Science in China Series E:Technological Sciences,2008,51(S2):110-122.

[3] Zhang G,Li Y,Li Z J.A new approach toward object-based change detection[J].Science China Technological Sciences,2010,53(S1):105-110.

[4] Bovolo F,Bruzzone L,Marconcini M.A novel approach to unsupervised change detection based on a semisupervised SVM and a similarity measure[J].IEEE Transactions on Geoscience and Remote Sensing,2008,46(7):2070-2082.

[5] 莊會(huì)富,鄧喀中,范洪冬.紋理特征向量與最大化熵法相結(jié)合的SAR影像非監(jiān)督變化檢測(cè)[J].測(cè)繪學(xué)報(bào),2016,45(3):339-346.

Zhuang H F,Deng K Z,Fan H D.SAR images unsupervised change detection based on combination of texture feature vector with maximum entropy principle[J].Acta Geodaetica et Cartographica Sinica,2016,45(3):339-346.

[6] 李 松,李亦秋,安裕倫.基于變化檢測(cè)的滑坡災(zāi)害自動(dòng)識(shí)別[J].遙感信息,2010(1):27-31.

Li S,Li Y Q,An Y L.Automatic recognition of landslides based on change detection[J].Remote sensing Information,2010(1):27-31.

[7] 鐘家強(qiáng),王潤(rùn)生.基于自適應(yīng)參數(shù)估計(jì)的多時(shí)相遙感圖像變化檢測(cè)[J].測(cè)繪學(xué)報(bào),2005,34(4):331-336.

Zhong J Q,Wang R S.Multitemporal remote sensing image change detection based on adaptive parameter estimation[J].Acta Geodaetica et Cartographica Sinica,2005,34(4):331-336.

[8] 劉 臻,宮 鵬,史培軍,等.基于相似度驗(yàn)證的自動(dòng)變化探測(cè)研究[J].遙感學(xué)報(bào),2005,9(5):537-543.

Liu Z,Gong P,Shi P J,et al.Study on change detection automatically based on similarity calibration[J].Journal of Remote Sensing,2005,9(5):537-543.

[9] 李 亮,舒 寧,王 凱,等.融合多特征的遙感影像變化檢測(cè)方法[J].測(cè)繪學(xué)報(bào),2014,43(9):945-953.

Li L,Shu N,Wang K,et al.Change detection method for remote sensing images based on multi-features fusion[J].Acta Geodaetica et Cartographica Sinica,2014,43(9):945-953.

[10] 魏立飛,王海波.基于MSE模型的高分辨率遙感圖像變化檢測(cè)[J].光譜學(xué)與光譜分析,2013,33(3):728-732.

Wei L F,Wang H B.Change detection from high-resolution remote sensing image based on MSE model[J].Spectroscopy and Spectral Analysis,2013,33(3):728-732.

[11] 巫兆聰,胡忠文,張 謙,等.結(jié)合光譜、紋理與形狀結(jié)構(gòu)信息的遙感影像分割方法[J].測(cè)繪學(xué)報(bào),2013,42(1):44-50.

Wu Z C,Hu Z W,Zhang Q,et al.On combining spectral,textural and shape features for remote sensing image segmentation[J].Acta Geodaetica et Cartographica Sinica,2013,42(1):44-50.

[12] 陳云浩,馮 通,史培軍,等.基于面向?qū)ο蠛鸵?guī)則的遙感影像分類(lèi)研究[J].武漢大學(xué)學(xué)報(bào)(信息科學(xué)版),2006,31(4):316-320.

Chen Y H,Feng T,Shi P J,et al.Classification of remot sensing image based on object oriented and class rules[J].Geomatics and Information Science of Wuhan University,2006,31(4):316-320.

[13] 竇建軍,文 俊,劉重慶.基于顏色直方圖的圖像檢索技術(shù)[J].紅外與激光工程,2005,34(1):84-88.

Dou J J,Wen J,Liu C Q.Histogram-based color image retrieval[J].Infrared and Laser Engineering,2005,34(1):84-88.

[14] Von Gioi R G,Jakubowicz J,Morel J M,et al.LSD:A line segment detector[J].Image Processing on Line,2012,2:35-55.

[15] 韓 華,曹 偉,龔 濤.目標(biāo)再確認(rèn)中基于推土機(jī)距離的關(guān)聯(lián)度建立[J].華中科技大學(xué)學(xué)報(bào)(自然科學(xué)版),2015,43(s1):435-439.

Han H,Cao W,Gong T.The establishment of correlative degree in target re-identification based on earth mover’s distance[J].Huazhong University of Science and Technology(Natural Science Edition),2015,43(s1):435-439.

[16] Wang A P,Wang S G,Lucieer A.Segmentation of multispectral high-resolution satellite imagery based on integrated feature distributions[J].International Journal of Remote Sensing,2010,31(6):1471-1483.